Darren Kimura, PDG et président d’AI Squared – Série d’entretiens

Darren Kimura est un entrepreneur expérimenté, inventeur et investisseur, actuellement président et PDG d’AI Squared. Avec plus de 25 ans de leadership dans les secteurs de la technologie et de l’énergie propre, il a dirigé des entreprises telles que Energy Industries Corporation, Sopogy et LiveAction, et a co-fondé la société de capital-risque Enerdigm Ventures. Connu pour avoir inventé la technologie solaire MicroCSP, Kimura a joué un rôle clé dans la mise à l’échelle d’entreprises axées sur l’informatique de pointe, l’IA et les solutions basées sur le SaaS.

AI Squared est une plate-forme de faible code conçue pour aider les entreprises à intégrer directement les informations d’IA dans les outils qu’elles utilisent déjà, tels que Salesforce (CRM ), Slack, Google Sheets et ServiceNow. En simplifiant le déploiement de l’IA et en permettant la prise de décision en temps réel, la plate-forme permet aux équipes d’ingénierie, de vente et d’exploitation de débloquer une valeur commerciale mesurable. Servant des clients dans les secteurs financier, de la chaîne d’approvisionnement et gouvernemental, AI Squared accélère l’adoption de l’IA dans les entreprises en la rendant fluide, contextuelle et actionnable.

Vous avez dirigé plusieurs entreprises dans différents secteurs – qu’est-ce qui vous a inspiré pour rejoindre et finalement diriger AI Squared ?

J’ai toujours été attiré par la résolution de problèmes difficiles et réels qui nécessitent une compréhension approfondie de la technologie et une exécution sans faille. J’ai commencé ma carrière dans l’efficacité énergétique et les énergies renouvelables, en capturant les données de machine à grande échelle et en aidant les gens à les comprendre et à agir. Au fil du temps, cela a évolué vers le traitement de données plus proche de l’endroit où le travail se déroule, à partir de la périphérie, dans des systèmes sécurisés ou à l’intérieur des flux de travail d’entreprise.

Lorsque j’ai découvert AI Squared pour la première fois, j’ai immédiatement vu qu’ils abordaient un défi très réel et très urgent : comment passer de l’IA du laboratoire à une utilisation quotidienne. La plupart des entreprises se concentrent encore sur la construction de modèles. AI Squared se concentrait sur le déploiement.

Ce qui m’a donné encore plus de conviction, c’est leur fondation. L’entreprise a été créée à l’intérieur de la NSA et a passé les six dernières années à gagner la confiance à travers le ministère de la Défense, la communauté du renseignement, la communauté spatiale et avec certaines des plus grandes entreprises de la liste Fortune 500 grâce à des projets réels et des résultats significatifs qui continuent de croître d’année en année. Cela m’a dit deux choses : premièrement, ils étaient sérieux en matière de sécurité, de conformité et d’impact. Et deuxièmement, c’était une équipe en qui je pouvais avoir confiance.

Comment votre expérience de mise à l’échelle de ZEDEDA et votre travail dans le capital-risque ont-ils façonné votre approche du déploiement de l’IA au niveau de l’entreprise ?

Chez ZEDEDA, nous avons travaillé à la périphérie en tant que système d’exploitation au sein de la communauté open-source. Cela m’a forcé à comprendre profondément les contraintes réelles que nos clients affrontaient avec la transformation numérique. Là-bas, nous avions une équipe d’ingénieurs de classe mondiale de Cisco, Sun Microsystems, Juniper, Arista, mais cela m’a également enseigné à quel point il est important de faire correspondre cette excellence technique avec une forte motion de lancement d’entreprise.

Depuis le côté du capital-risque, j’ai acquis une autre sorte de perspicacité. J’ai vu comment les entreprises de technologie profonde grandissent, plus lentement au début, mais plus rapidement à mesure que vous construisez sur une solide fondation. Cela m’a enseigné à penser en termes de systèmes : le moment du marché, la préparation du produit, la maturité du client et la stratégie de capital doivent tous correspondre. C’est le prisme que j’ai apporté dans le déploiement de l’IA chez AI Squared. Il ne s’agit pas de livrer des modèles, mais de livrer des résultats que les entreprises peuvent faire confiance, mesurer et mettre à l’échelle.

AI Squared met l’accent sur l’intégration de l’IA dans les systèmes que les gens utilisent déjà. Qu’est-ce que résoudre le « dernier kilomètre » de l’IA signifie-t-il dans la pratique ?

87 % des projets d’IA ne parviennent jamais à la production parce que l’intégration est lente, complexe et déconnectée des utilisateurs finaux. AI Squared résout ce problème en créant un pipeline d’intégration de données de niveau sécurité nationale qui connecte les modèles d’IA/ML avec des sources de données telles que Databricks ou Snowflake et les systèmes que ces entreprises utilisent déjà, tels que les CRM, les ERP et les applications personnalisées.

Comment votre plate-forme aide-t-elle à combler le fossé entre les équipes de science des données et les utilisateurs commerciaux ?

AI Squared simplifie la passation de la phase de développement de modèle à la production. Les équipes de science des données peuvent déployer des modèles de manière sécurisée via notre plate-forme, tandis que les utilisateurs commerciaux reçoivent des informations au sein des outils qu’ils utilisent déjà, comme Salesforce, Teams, Slack ou toute autre application de système d’enregistrement.

Vous travaillez avec la NSA, la marine américaine et d’autres agences fédérales. Comment les priorités telles que la conformité, la transparence et l’utilisation éthique façonnent-elles la feuille de route de produit d’AI Squared ?

Les considérations éthiques, la conformité et la transparence sont au sommet de notre feuille de route. Nous savons, en travaillant avec les agences fédérales, que nous devons donner la priorité à la traçabilité, à la vérifiabilité et à l’explicabilité. Nous construisons sur des principes de confiance zéro, en soutenant les environnements de déploiement sécurisés et les modèles de gouvernance clairs.

Quel rôle pensez-vous que l’IA discriminative joue dans l’amélioration de la prise de décision pour les agences fédérales ?

L’IA discriminative est précise, interprétable et efficace. Elle est idéale pour les environnements à haute mise en jeu où vous avez besoin de réponses claires, oui ou non, menace ou pas de menace. Dans les agences fédérales, cela permet une triage plus rapide, la détection des risques et la priorisation. Elle complète les modèles génératifs en offrant des sorties structurées et validées qui soutiennent la prise de décision critique.

En ce qui concerne la sécurité nationale, où voyez-vous le plus grand risque – et l’opportunité – pour l’adoption de l’IA ?

Le plus grand risque est l’autonomie non gérée, le déploiement de systèmes d’IA sans transparence, surveillance ou filets de sécurité. L’opportunité réside dans l’accélération de la conscience de la situation et de la vitesse de décision. L’IA peut passer au crible d’énormes quantités de données en temps réel pour faire surface de modèles que les humains pourraient manquer. Mais pour réaliser cette valeur, il doit être digne de confiance, traçable et intégré avec des systèmes à boucle humaine.

Quelles sont les erreurs les plus courantes que les entreprises commettent lors du déploiement de l’IA de génération ?

L’erreur la plus importante est de se concentrer sur la nouveauté plutôt que sur la nécessité. Trop d’entreprises déployer l’IA de génération sans cas d’utilisation clair, plan de gouvernance ou mesure de succès. Cela conduit à la fatigue des pilotes, aux prototypes non évolutifs et aux problèmes de confiance. L’IA de génération est puissante, mais comme toute technologie, elle doit être alignée sur le problème, l’utilisateur et le flux de travail.

Pouvez-vous partager un exemple où AI Squared a aidé une entreprise à éviter le « syndrome de l’objet brillant » et à livrer un impact mesurable à la place ?

Une entreprise est venue en voulant construire un LLM personnalisé pour classer les tickets de service client. Nous leur avons montré comment un classificateur intégré simple déployé via notre plate-forme pouvait livrer 90 % de précision dans leur CRM en moins de deux semaines. Aucune nouvelle interface, aucun entraînement personnalisé. C’est le pouvoir de résoudre le bon problème avec l’outil approprié.

Quels sont les tendances émergentes qui vous enthousiasment le plus dans l’IA d’entreprise au cours des 3-5 prochaines années ?

Trois se démarquent :

1. Les LLM qui sont vraiment multimodaux et axés sur des tâches spécifiques
2. Les systèmes d’IA agents qui prennent des mesures, et non seulement génèrent du contenu
3. Une gouvernance normalisée qui permet l’adoption de l’IA dans les industries réglementées

Ces tendances poussent l’IA à être plus utilisable, digne de confiance et intégrée dans les opérations quotidiennes.

Comment AI Squared évolue-t-elle sa plate-forme pour suivre le rythme de l’évolution rapide des LLM et des écosystèmes de modèles ?

Nous sommes agnostiques en matière de modèle par conception. Que ce soit un modèle open-source, un LLM commercial ou un modèle discriminatif propriétaire, notre plate-forme permet aux organisations de déployer et de gérer de manière sécurisée au sein de leurs flux de travail existants. Nous nous concentrons sur l’orchestration, le contrôle de version et la gouvernance, afin que la pile de modèles puisse évoluer sans perturber l’expérience utilisateur.

Qu’est-ce que le succès signifie pour AI Squared dans le prochain chapitre sous votre direction ?

Le succès signifie devenir la façon par défaut dont les entreprises et les agences gouvernementales mettent en œuvre l’IA. Cela signifie réduire le temps de valeur de mois à jours, et rendre le déploiement de l’IA aussi fluide et sécurisé que le lancement d’une nouvelle fonctionnalité. Sous ma direction, nous nous concentrons sur la mise à l’échelle, la confiance et les résultats du monde réel, et non seulement sur l’innovation pour elle-même, mais sur l’impact là où il compte le plus.

Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter AI Squared.